11.1 Beskrivning frågor
Frågorna i detta avsnitt är i datafilen betecknade som f75a till och med s (19 frågor, nr 77 i PDF med frågor), samt f77aa till ea (5 frågor, nr 80 i PDF). Den första sektionen fokuserar på hur ofta respondenten begått olika brott, medan den andra sektionen fokuserar på huruvida respondenten blivit utsatt för brott.
Frågorna f75a-s inleds med “Hur många gånger har du gjort följande saker under de senaste 12 månaderna?”
Svarsalternativen är
- Ingen gång
- 1-2 gånger
- 3-5 gånger
- 6-10 gånger
- Mer än 10 gånger
De kodas om som siffror 0-5, där 0 = “Ingen gång”.
Denna typ av frekvensskattningar med så många svarsalternativ brukar sällan ge psykometriskt meningsfull information, d.v.s. det är inte tillräckligt stor skillnad på de olika svarsalternativen för att var och en av kategorierna ska bidra med mera information om respondenten. Vi kommer med största sannolikhet behöva slå samman flera av dem för att kunna göra en rimlig analys.
Frågorna f77a-e inleds med “Har du varit med om något av följande under de senaste 12 månaderna?”
Svarsalternativen är “Nej” eller “Ja ….. antal gånger”, med följdfråga på “Ja” som är “Anmälde du detta till polisen”. Vi kommer inte titta på följdfrågorna i denna analys.
För denna analys är inte målsättningen att undersöka möjligheten att ta fram ett eller flera indexvärden utifrån sammansättningar av items/frågor som sedan kan användas på samtliga deltagare. Detta beror på att de flesta har såpass liten användning av substanser eller ens har svarat på frågorna. Däremot vill vi se hur frågorna fungerar relativt varandra (item-hierarki) och om det skiljer sig mellan kön, årskurs och över tid.
| itemnr | item |
|---|---|
| f75a | Snattat? |
| f75b | Klottrat/olaglig graffiti? |
| f75c | Stulit en cykel? |
| f75d | Stulit en moped eller motorcykel? |
| f75e | Stulit en bil? |
| f75f | Tvingat någon att ge dig pengar, mobiltelefon eller något annat värdefullt? |
| f75g | Med avsikt förstört saker som inte var dina (t.ex. Fönsterrutor, gatlampor, cyklar)? |
| f75h | Använt annans/falsk legitimation? |
| f75i | Tagit pengar hemma som inte var dina? |
| f75j | Smitit från betalning (t.ex. bio |
| f75k | Tvingat någon att ha sex med dig? |
| f75l | Stulit ur någons ficka? |
| f75m | Stulit något annat som vi inte frågat om? |
| f75n | Köpt något som du vet var stulet? |
| f75o | Sålt något som var stulet? |
| f75p | Tjuvåkt på tunnelbanan eller pendeltåget? |
| f75q | Gjort inbrott i bil, affär, kiosk eller annan byggnad? |
| f75r | Med avsikt slagit någon så att du tror eller vet att han/hon behövde sjukvård? |
| f75s | Burit vapen (t.ex. kniv eller knogjärn)? |
| f78aa | Känt dig allvarligt hotad? |
| f78ba | Blivit rånad? |
| f78ca | Blivit bestulen? |
| f78da | Blivit misshandlad? |
| f78ea | Blivit tvingad till sex/våldtagen? |
11.1.1 Svarsbortfall
Det är låg nivå av bortfall på itemnivå.
Vi har 16963 respondenter med kompletta svar från 2014 och 2018 (7530 har filtrerats bort p.g.a. saknade svar). Att vi valt att ta med två år är för att säkerställa att det finns tillräcklig variation i data.
11.2 Deskriptiva data
11.2.1 Demografi
| Kön | n | Percent |
|---|---|---|
| Flicka | 9053 | 53.4 |
| Pojke | 7910 | 46.6 |
| Årskurs | n | Percent |
|---|---|---|
| Åk 9 | 8082 | 47.6 |
| Gy 2 | 8881 | 52.4 |
11.2.2 Item-data
Som väntat extremt skeva svarsfördelningar.
Svarsalternativen för f75-frågorna är:
- Ingen gång
- 1-2 gånger
- 3-5 gånger
- 6-10 gånger
- Mer än 10 gånger
Vi kan prova att slå samman de tre högsta, så vi får tre kategorier för samtliga frågor, innan vi går vidare till Rasch-analysen.
Vi tittar på f75-frågorna först.
11.2.3 Analys av svarskategorier f75
Det fungerar inte med tre kategorier. Vi slår samman alla kategorier över 0, så det blir en helt dikotom modell.
11.3 Rasch-analys 1 - f75
| itemnr | item |
|---|---|
| f75a | Snattat? |
| f75b | Klottrat/olaglig graffiti? |
| f75c | Stulit en cykel? |
| f75d | Stulit en moped eller motorcykel? |
| f75e | Stulit en bil? |
| f75f | Tvingat någon att ge dig pengar, mobiltelefon eller något annat värdefullt? |
| f75g | Med avsikt förstört saker som inte var dina (t.ex. Fönsterrutor, gatlampor, cyklar)? |
| f75h | Använt annans/falsk legitimation? |
| f75i | Tagit pengar hemma som inte var dina? |
| f75j | Smitit från betalning (t.ex. bio |
| f75k | Tvingat någon att ha sex med dig? |
| f75l | Stulit ur någons ficka? |
| f75m | Stulit något annat som vi inte frågat om? |
| f75n | Köpt något som du vet var stulet? |
| f75o | Sålt något som var stulet? |
| f75p | Tjuvåkt på tunnelbanan eller pendeltåget? |
| f75q | Gjort inbrott i bil, affär, kiosk eller annan byggnad? |
| f75r | Med avsikt slagit någon så att du tror eller vet att han/hon behövde sjukvård? |
| f75s | Burit vapen (t.ex. kniv eller knogjärn)? |
| OutfitMSQ | InfitMSQ | OutfitZSTD | InfitZSTD | |
|---|---|---|---|---|
| f75a | 0.825 | 0.867 | -1.293 | -1.622 |
| f75b | 0.786 | 0.949 | -0.965 | -0.344 |
| f75c | 0.498 | 0.801 | -2.159 | -1.684 |
| f75d | 0.279 | 0.675 | -1.048 | -0.849 |
| f75e | 0.322 | 0.709 | -0.705 | -0.708 |
| f75f | 0.506 | 0.705 | -0.589 | -0.736 |
| f75g | 0.543 | 0.76 | -2.594 | -2.257 |
| f75h | 1.276 | 1.177 | 1.251 | 1.34 |
| f75i | 1.419 | 1.101 | 3.388 | 1.616 |
| f75j | 0.625 | 0.876 | -1.211 | -0.742 |
| f75k | 0.907 | 0.936 | -0.16 | -0.304 |
| f75l | 0.352 | 0.77 | -1.511 | -0.787 |
| f75m | 0.594 | 0.839 | -1.45 | -1.177 |
| f75n | 0.734 | 0.897 | -0.767 | -0.772 |
| f75o | 0.333 | 0.729 | -1.22 | -1.198 |
| f75p | 1.617 | 0.922 | 0.722 | -1.723 |
| f75q | 0.605 | 0.806 | -0.709 | -0.679 |
| f75r | 0.678 | 0.863 | -0.555 | -0.331 |
| f75s | 0.857 | 0.908 | -0.702 | -1.006 |
| Eigenvalues |
|---|
| 1.46 |
| 1.31 |
| 1.17 |
| 1.16 |
| 1.14 |
| f75a | f75b | f75c | f75d | f75e | f75f | f75g | f75h | f75i | f75j | f75k | f75l | f75m | f75n | f75o | f75p | f75q | f75r | f75s | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| f75a | |||||||||||||||||||
| f75b | -0.03 | ||||||||||||||||||
| f75c | -0.02 | -0.03 | |||||||||||||||||
| f75d | -0.06 | -0.05 | 0.2 | ||||||||||||||||
| f75e | -0.08 | -0.03 | 0.06 | 0.35 | |||||||||||||||
| f75f | -0.07 | -0.05 | -0.02 | 0.19 | 0.22 | ||||||||||||||
| f75g | -0.05 | 0.02 | 0.03 | -0.02 | -0.04 | 0 | |||||||||||||
| f75h | -0.1 | -0.09 | -0.08 | -0.06 | 0.02 | -0.05 | -0.13 | ||||||||||||
| f75i | -0.06 | -0.08 | -0.14 | -0.13 | -0.08 | -0.05 | -0.13 | -0.06 | |||||||||||
| f75j | 0 | -0.07 | -0.04 | -0.04 | -0.01 | 0 | -0.03 | -0.01 | -0.05 | ||||||||||
| f75k | -0.06 | 0.01 | 0 | 0.11 | 0.19 | 0.16 | -0.01 | 0.03 | -0.01 | 0.03 | |||||||||
| f75l | -0.04 | -0.05 | -0.02 | 0.09 | 0.12 | 0.15 | 0.02 | -0.07 | -0.03 | 0.01 | 0.15 | ||||||||
| f75m | 0.01 | -0.08 | -0.06 | -0.02 | -0.03 | 0.02 | 0.02 | -0.13 | -0.04 | -0.03 | -0.01 | 0.1 | |||||||
| f75n | -0.09 | -0.09 | 0.04 | 0.01 | -0.01 | -0.01 | -0.03 | -0.06 | -0.17 | -0.06 | -0.08 | -0.04 | -0.05 | ||||||
| f75o | -0.06 | -0.11 | 0.06 | 0.13 | 0.04 | 0.05 | 0 | -0.09 | -0.17 | -0.03 | -0.08 | 0.01 | 0 | 0.25 | |||||
| f75p | -0.11 | -0.08 | -0.07 | -0.07 | -0.08 | -0.05 | -0.07 | -0.08 | -0.14 | -0.05 | -0.06 | -0.05 | -0.08 | -0.05 | -0.04 | ||||
| f75q | -0.06 | -0.03 | 0 | 0.08 | 0.11 | 0.07 | 0 | -0.09 | -0.11 | -0.03 | -0.03 | 0.01 | 0.01 | -0.01 | 0.07 | -0.02 | |||
| f75r | -0.1 | -0.05 | -0.02 | 0.06 | 0.12 | 0.1 | -0.01 | -0.04 | -0.11 | -0.05 | 0.02 | -0.01 | -0.06 | 0.03 | 0.05 | -0.03 | 0.06 | ||
| f75s | -0.11 | -0.02 | -0.05 | -0.03 | -0.04 | -0.02 | 0.02 | -0.11 | -0.16 | -0.09 | -0.05 | -0.04 | -0.03 | 0.01 | 0.05 | -0.08 | 0.05 | 0.07 | |
| Note: | |||||||||||||||||||
| Relative cut-off value (highlighted in red) is 0.183, which is 0.2 above the average correlation. |
Item f75p (tjuvåkt på tunnelbana/pendeltåg) verkar inte passa in bland de övriga frågorna.
Ett antal kluster av residualkorrelationer, bl.a. mellan olika typer av stöld, och köpt/sålt stöldgods.
Att Outfit MSQ visar på problem är inte oväntat när vi har en sådan klar majoritet som svarar 0 på frågorna och MSQ är oviktad. I denna analys är ZSTD betydligt mera viktig att titta på.
Vi går dock inte vidare och gör några åtgärder, utan tittar i stället på invarians/DIF.
11.4 Invarians/DIF
11.4.1 Kön
| itemnr | item |
|---|---|
| f75a | Snattat? |
| f75b | Klottrat/olaglig graffiti? |
| f75c | Stulit en cykel? |
| f75d | Stulit en moped eller motorcykel? |
| f75e | Stulit en bil? |
| f75f | Tvingat någon att ge dig pengar, mobiltelefon eller något annat värdefullt? |
| f75g | Med avsikt förstört saker som inte var dina (t.ex. Fönsterrutor, gatlampor, cyklar)? |
| f75h | Använt annans/falsk legitimation? |
| f75i | Tagit pengar hemma som inte var dina? |
| f75j | Smitit från betalning (t.ex. bio |
| f75k | Tvingat någon att ha sex med dig? |
| f75l | Stulit ur någons ficka? |
| f75m | Stulit något annat som vi inte frågat om? |
| f75n | Köpt något som du vet var stulet? |
| f75o | Sålt något som var stulet? |
| f75p | Tjuvåkt på tunnelbanan eller pendeltåget? |
| f75q | Gjort inbrott i bil, affär, kiosk eller annan byggnad? |
| f75r | Med avsikt slagit någon så att du tror eller vet att han/hon behövde sjukvård? |
| f75s | Burit vapen (t.ex. kniv eller knogjärn)? |
| Item | 2 | 3 | Mean location | StDev | MaxDiff |
|---|---|---|---|---|---|
| f75a | -2.137 | -1.629 | -1.883 | 0.359 | 0.508 |
| f75b | -1.051 | -0.630 | -0.840 | 0.297 | 0.420 |
| f75c | 0.107 | -0.290 | -0.091 | 0.281 | 0.397 |
| f75d | 1.973 | 1.295 | 1.634 | 0.479 | 0.678 |
| f75e | 2.407 | 1.926 | 2.167 | 0.340 | 0.481 |
| f75f | 1.973 | 1.570 | 1.771 | 0.285 | 0.403 |
| f75g | -0.538 | -1.074 | -0.806 | 0.379 | 0.536 |
| f75h | -1.311 | -0.020 | -0.666 | 0.913 | 1.291 |
| f75i | -3.022 | -1.797 | -2.409 | 0.867 | 1.226 |
| f75j | -0.336 | -0.065 | -0.201 | 0.192 | 0.272 |
| f75k | 2.307 | 2.707 | 2.507 | 0.283 | 0.401 |
| f75l | 1.346 | 1.400 | 1.373 | 0.039 | 0.055 |
| f75m | -0.444 | -0.142 | -0.293 | 0.214 | 0.302 |
| f75n | 0.242 | -0.259 | -0.008 | 0.354 | 0.501 |
| f75o | 0.956 | 0.367 | 0.661 | 0.416 | 0.588 |
| f75p | -4.793 | -4.112 | -4.453 | 0.482 | 0.682 |
| f75q | 1.451 | 0.854 | 1.152 | 0.422 | 0.597 |
| f75r | 1.317 | 0.833 | 1.075 | 0.342 | 0.484 |
| f75s | -0.444 | -0.935 | -0.690 | 0.347 | 0.491 |
Höga nivåer av DIF mellan kön för de flesta items.
11.4.2 Årskurs
| itemnr | item |
|---|---|
| f75a | Snattat? |
| f75b | Klottrat/olaglig graffiti? |
| f75c | Stulit en cykel? |
| f75d | Stulit en moped eller motorcykel? |
| f75e | Stulit en bil? |
| f75f | Tvingat någon att ge dig pengar, mobiltelefon eller något annat värdefullt? |
| f75g | Med avsikt förstört saker som inte var dina (t.ex. Fönsterrutor, gatlampor, cyklar)? |
| f75h | Använt annans/falsk legitimation? |
| f75i | Tagit pengar hemma som inte var dina? |
| f75j | Smitit från betalning (t.ex. bio |
| f75k | Tvingat någon att ha sex med dig? |
| f75l | Stulit ur någons ficka? |
| f75m | Stulit något annat som vi inte frågat om? |
| f75n | Köpt något som du vet var stulet? |
| f75o | Sålt något som var stulet? |
| f75p | Tjuvåkt på tunnelbanan eller pendeltåget? |
| f75q | Gjort inbrott i bil, affär, kiosk eller annan byggnad? |
| f75r | Med avsikt slagit någon så att du tror eller vet att han/hon behövde sjukvård? |
| f75s | Burit vapen (t.ex. kniv eller knogjärn)? |
| Item | 2 | 3 | Mean location | StDev | MaxDiff |
|---|---|---|---|---|---|
| f75a | -2.062 | -1.616 | -1.839 | 0.315 | 0.445 |
| f75b | -0.924 | -0.654 | -0.789 | 0.191 | 0.271 |
| f75c | -0.213 | -0.037 | -0.125 | 0.124 | 0.176 |
| f75d | 1.453 | 1.560 | 1.507 | 0.076 | 0.108 |
| f75e | 2.424 | 1.753 | 2.088 | 0.475 | 0.671 |
| f75f | 1.683 | 1.739 | 1.711 | 0.040 | 0.056 |
| f75g | -1.035 | -0.639 | -0.837 | 0.281 | 0.397 |
| f75h | 0.685 | -1.416 | -0.366 | 1.486 | 2.101 |
| f75i | -2.600 | -2.221 | -2.410 | 0.268 | 0.380 |
| f75j | -0.107 | -0.214 | -0.160 | 0.076 | 0.107 |
| f75k | 2.854 | 2.367 | 2.610 | 0.345 | 0.487 |
| f75l | 1.303 | 1.537 | 1.420 | 0.165 | 0.234 |
| f75m | -0.423 | -0.037 | -0.230 | 0.273 | 0.386 |
| f75n | -0.060 | -0.079 | -0.069 | 0.013 | 0.019 |
| f75o | 0.423 | 0.757 | 0.590 | 0.237 | 0.335 |
| f75p | -4.581 | -4.273 | -4.427 | 0.218 | 0.308 |
| f75q | 1.037 | 1.063 | 1.050 | 0.019 | 0.027 |
| f75r | 0.962 | 1.047 | 1.004 | 0.060 | 0.085 |
| f75s | -0.818 | -0.639 | -0.728 | 0.127 | 0.179 |
“Använt annans/falsk legitimation” och “Stulit en bil” skiljer sig mellan årskurserna.
11.5 Visualisering
11.5.1 Utsatt för brott
11.5.2 Uppdelat på kön
11.5.3 Uppdelat på årskurs
11.5.4 Årskurs och kön
11.6 Programvara som använts
| Package | Version | Citation |
|---|---|---|
| arrow | 10.0.0 | Richardson et al. (2022) |
| base | 4.2.2 | R Core Team (2022) |
| car | 3.1.1 | Fox and Weisberg (2019) |
| cowplot | 1.1.1 | Wilke (2020) |
| eRm | 1.0.2 | Mair and Hatzinger (2007b); Mair and Hatzinger (2007a); Hatzinger and Rusch (2009); Rusch, Maier, and Hatzinger (2013); Koller, Maier, and Hatzinger (2015); Debelak and Koller (2019); Mair, Hatzinger, and Maier (2021) |
| foreach | 1.5.2 | Microsoft and Weston (2022) |
| formattable | 0.2.1 | Ren and Russell (2021) |
| ggiraph | 0.8.4 | Gohel and Skintzos (2022) |
| ggrepel | 0.9.3 | Slowikowski (2023) |
| glue | 1.6.2 | Hester and Bryan (2022) |
| grateful | 0.1.11 | Rodríguez-Sánchez, Jackson, and Hutchins (2022) |
| kableExtra | 1.3.4 | Zhu (2021) |
| knitr | 1.42 | Xie (2014); Xie (2015); Xie (2023) |
| matrixStats | 0.63.0 | Bengtsson (2022) |
| mirt | 1.37.1 | Chalmers (2012) |
| psych | 2.2.9 | Revelle (2022) |
| psychotree | 0.16.0 | Trepte and Verbeet (2010); Strobl, Wickelmaier, and Zeileis (2011); Strobl, Kopf, and Zeileis (2015); Komboz, Zeileis, and Strobl (2018); Wickelmaier and Zeileis (2018) |
| reshape | 0.8.9 | Wickham (2007) |
| RISEkbmRasch | 0.1.8.4 | Johansson (2023) |
| rmarkdown | 2.20 | Xie, Allaire, and Grolemund (2018); Xie, Dervieux, and Riederer (2020); Allaire et al. (2023) |
| tidyverse | 1.3.2 | Wickham et al. (2019) |
11.7 Referenser
Allaire, JJ, Yihui Xie, Jonathan McPherson, Javier Luraschi, Kevin Ushey, Aron Atkins, Hadley Wickham, Joe Cheng, Winston Chang, and Richard Iannone. 2023. Rmarkdown: Dynamic Documents for r. https://github.com/rstudio/rmarkdown.
Bengtsson, Henrik. 2022. matrixStats: Functions That Apply to Rows and Columns of Matrices (and to Vectors). https://CRAN.R-project.org/package=matrixStats.
Chalmers, R. Philip. 2012. “mirt: A Multidimensional Item Response Theory Package for the R Environment.” Journal of Statistical Software 48 (6): 1–29. https://doi.org/10.18637/jss.v048.i06.
Debelak, Rudolf, and Ingrid Koller. 2019. “Testing the Local Independence Assumption of the Rasch Model With Q3-Based Nonparametric Model Tests.” Applied Psychological Measurement. https://doi.org/10.1177/0146621619835501.
Fox, John, and Sanford Weisberg. 2019. An R Companion to Applied Regression. Third. Thousand Oaks CA: Sage. https://socialsciences.mcmaster.ca/jfox/Books/Companion/.
Gohel, David, and Panagiotis Skintzos. 2022. Ggiraph: Make ’Ggplot2’ Graphics Interactive. https://CRAN.R-project.org/package=ggiraph.
Hatzinger, Reinhold, and Thomas Rusch. 2009. “IRT models with relaxed assumptions in eRm: A manual-like instruction.” Psychology Science Quarterly 51.
Hester, Jim, and Jennifer Bryan. 2022. Glue: Interpreted String Literals. https://CRAN.R-project.org/package=glue.
Johansson, Magnus. 2023. RISEkbmRasch: Psychometric Analysis in r with Rasch Measurement Theory. https://github.com/pgmj/RISEkbmRasch.
Koller, Ingrid, Marco Johannes Maier, and Reinhold Hatzinger. 2015. “An Empirical Power Analysis of Quasi-Exact Tests for the Rasch Model: Measurement Invariance in Small Samples.” Methodology 11. https://doi.org/10.1027/1614-2241/a000090.
Komboz, Basil, Achim Zeileis, and Carolin Strobl. 2018. “Tree-Based Global Model Tests for Polytomous Rasch Models.” Educational and Psychological Measurement 78 (1): 128–66. https://doi.org/10.1177/0013164416664394.
Mair, Patrick, and Reinhold Hatzinger. 2007a. “CML based estimation of extended Rasch models with the eRm package in R.” Psychology Science 49.
———. 2007b. “Extended Rasch modeling: The eRm package for the application of IRT models in R.” Journal of Statistical Software 20. https://www.jstatsoft.org/v20/i09.
Mair, Patrick, Reinhold Hatzinger, and Marco Johannes Maier. 2021. eRm: Extended Rasch Modeling. https://cran.r-project.org/package=eRm.
Microsoft, and Steve Weston. 2022. Foreach: Provides Foreach Looping Construct. https://CRAN.R-project.org/package=foreach.
R Core Team. 2022. R: A Language and Environment for Statistical Computing. Vienna, Austria: R Foundation for Statistical Computing. https://www.R-project.org/.
Ren, Kun, and Kenton Russell. 2021. Formattable: Create ’Formattable’ Data Structures. https://CRAN.R-project.org/package=formattable.
Revelle, William. 2022. Psych: Procedures for Psychological, Psychometric, and Personality Research. Evanston, Illinois: Northwestern University. https://CRAN.R-project.org/package=psych.
Richardson, Neal, Ian Cook, Nic Crane, Dewey Dunnington, Romain François, Jonathan Keane, Dragoș Moldovan-Grünfeld, Jeroen Ooms, and Apache Arrow. 2022. Arrow: Integration to ’Apache’ ’Arrow’. https://CRAN.R-project.org/package=arrow.
Rodríguez-Sánchez, Francisco, Connor P. Jackson, and Shaurita D. Hutchins. 2022. Grateful: Facilitate Citation of r Packages. https://github.com/Pakillo/grateful.
Rusch, Thomas, Marco Johannes Maier, and Reinhold Hatzinger. 2013. “Linear logistic models with relaxed assumptions in R.” In Algorithms from and for Nature and Life, edited by Berthold Lausen, Dirk van den Poel, and Alfred Ultsch. Studies in Classification, Data Analysis, and Knowledge Organization. New York: Springer. https://doi.org/10.1007/978-3-319-00035-0_34.
Slowikowski, Kamil. 2023. Ggrepel: Automatically Position Non-Overlapping Text Labels with ’Ggplot2’. https://CRAN.R-project.org/package=ggrepel.
Strobl, Carolin, Julia Kopf, and Achim Zeileis. 2015. “Rasch Trees: A New Method for Detecting Differential Item Functioning in the Rasch Model.” Psychometrika 80 (2): 289–316. https://doi.org/10.1007/s11336-013-9388-3.
Strobl, Carolin, Florian Wickelmaier, and Achim Zeileis. 2011. “Accounting for Individual Differences in Bradley-Terry Models by Means of Recursive Partitioning.” Journal of Educational and Behavioral Statistics 36 (2): 135–53. https://doi.org/10.3102/1076998609359791.
Trepte, Sabine, and Markus Verbeet, eds. 2010. Allgemeinbildung in Deutschland – Erkenntnisse Aus Dem SPIEGEL Studentenpisa-Test. Wiesbaden: VS Verlag.
Wickelmaier, Florian, and Achim Zeileis. 2018. “Using Recursive Partitioning to Account for Parameter Heterogeneity in Multinomial Processing Tree Models.” Behavior Research Methods 50 (3): 1217–33. https://doi.org/10.3758/s13428-017-0937-z.
Wickham, Hadley. 2007. “Reshaping Data with the Reshape Package.” Journal of Statistical Software 21 (12). https://www.jstatsoft.org/v21/i12/.
Wickham, Hadley, Mara Averick, Jennifer Bryan, Winston Chang, Lucy D’Agostino McGowan, Romain François, Garrett Grolemund, et al. 2019. “Welcome to the tidyverse.” Journal of Open Source Software 4 (43): 1686. https://doi.org/10.21105/joss.01686.
Wilke, Claus O. 2020. Cowplot: Streamlined Plot Theme and Plot Annotations for ’Ggplot2’. https://CRAN.R-project.org/package=cowplot.
Xie, Yihui. 2014. “Knitr: A Comprehensive Tool for Reproducible Research in R.” In Implementing Reproducible Computational Research, edited by Victoria Stodden, Friedrich Leisch, and Roger D. Peng. Chapman; Hall/CRC.
———. 2015. Dynamic Documents with R and Knitr. 2nd ed. Boca Raton, Florida: Chapman; Hall/CRC. https://yihui.org/knitr/.
———. 2023. Knitr: A General-Purpose Package for Dynamic Report Generation in r. https://yihui.org/knitr/.
Xie, Yihui, J. J. Allaire, and Garrett Grolemund. 2018. R Markdown: The Definitive Guide. Boca Raton, Florida: Chapman; Hall/CRC. https://bookdown.org/yihui/rmarkdown.
Xie, Yihui, Christophe Dervieux, and Emily Riederer. 2020. R Markdown Cookbook. Boca Raton, Florida: Chapman; Hall/CRC. https://bookdown.org/yihui/rmarkdown-cookbook.
Zhu, Hao. 2021. kableExtra: Construct Complex Table with ’Kable’ and Pipe Syntax. https://CRAN.R-project.org/package=kableExtra.